Я только начал строить модели в Стэн ; Чтобы познакомиться с этим инструментом, я прорабатываю некоторые из упражнений в Байесовском анализе данных (2-е изд.). В Waterbuck упражнение предполагает , что данные , с ( N , & thetas ; ) неизвестной. Поскольку гамильтониан Монте-Карло не допускает дискретных параметров, я объявил N как вещественное ∈ [ 72 , ∞ ) и закодировал вещественное биномиальное распределение, используя функцию.lbeta
Гистограмма результатов выглядит практически идентично тому, что я нашел, вычислив апостериорную плотность напрямую. Однако я обеспокоен тем, что могут быть некоторые тонкие причины, по которым я не должен доверять этим результатам в целом; Поскольку вещественный вывод по присваивает положительную вероятность нецелым значениям, мы знаем, что эти значения невозможны, поскольку дробного водяного козла в действительности не существует. С другой стороны, результаты выглядят хорошими, поэтому упрощение, по-видимому, не повлияет на вывод в этом случае.
Существуют ли какие-либо руководящие принципы или практические правила для моделирования таким образом, или этот метод «продвижения» дискретного параметра в реальную плохую практику?